Update README.md

README.md

@@ -1,3 +1,743 @@
 ---
 license: apache-2.0
+language:
+  - ru
+  - en
+task_categories:
+  - text-generation
+  - question-answering
+tags:
+  - 1c
+  - 1c-enterprise
+  - bsl
+  - query-language
+  - qwen
+  - qlora
+  - sft
+  - code-generation
+  - software-engineering
+pretty_name: 1C Enterprise Development Dataset
+size_categories:
+  - 1K<n<10K
 ---
+# RUSSIAN DESCRIPTION
+
+## Датасет разработки на платформе 1С:Предприятие
+
+**Специализированный датасет для обучения и оценки языковых моделей в области разработки на платформе 1С:Предприятие.**
+
+`ones_enterprise` — курируемый датасет, предназначенный для повышения способности языковых моделей понимать, генерировать, анализировать, отлаживать и проектировать программные решения для платформы **1С:Предприятие**.
+
+Датасет ориентирован не только на генерацию отдельных фрагментов кода, но и на решение практических задач разработки. Он охватывает встроенный язык платформы, язык запросов, модель метаданных, архитектуру приложений и типовые инженерные сценарии.
+
+Основная целевая модель для supervised fine-tuning:
+
+- **Подход к обучению:** Supervised Fine-Tuning (SFT)
+- **Метод дообучения:** QLoRA
+
+> **Статус датасета:** исследовательская разработка. Качество данных, семантическая корректность и совместимость с платформой находятся в процессе проверки. Датасет не следует считать полностью валидированным производственным корпусом.
+
+---
+
+### 1. Назначение проекта
+
+Разработка на платформе 1С:Предприятие требует значительно большего, чем общие знания программирования.
+
+Полноценный AI-ассистент разработчика 1С должен понимать:
+
+- Встроенный язык 1С (BSL).
+- Модель метаданных и взаимосвязи между объектами конфигурации.
+- Документы, справочники, регистры, перечисления и планы видов характеристик.
+- Язык запросов 1С и виртуальные таблицы.
+- Управляемые формы и обработчики событий.
+- Клиент-серверную архитектуру.
+- Транзакции, блокировки и обеспечение целостности данных.
+- Механизмы интеграции и внешние интерфейсы.
+- Особенности производительности и платформенные ограничения.
+- Типовые архитектурные и инженерные практики разработки.
+
+Универсальные языковые модели могут хорошо знать общие концепции программирования, но зачастую не обладают достаточными знаниями специфики платформы 1С:Предприятие.
+
+`ones_enterprise` призван сократить этот разрыв за счёт примеров, связывающих естественно-языковые требования с платформенными знаниями и практическими реализациями на 1С.
+
+### 2. Цели датасета
+
+Датасет предназначен для обучения специализированной модели разработчика 1С, способной:
+
+1. Генерировать процедуры и функции на BSL.
+2. Создавать и оптимизировать запросы 1С.
+3. Понимать структуру метаданных и зависимости между объектами.
+4. Реализовывать бизнес-логику с использованием нескольких объектов конфигурации.
+5. Разрабатывать управляемые формы и обработчики событий.
+6. Работать с клиент-серверным взаимодействием.
+7. Реализовывать транзакции и безопасные операции с данными.
+8. Анализировать и исправлять ошибки существующего кода.
+9. Выполнять рефакторинг и улучшать существующие реализации.
+10. Проектировать решения на основании функциональных требований.
+11. Реализовывать интеграции и обмен данными.
+12. Объяснять принятые инженерные решения и учитывать ограничения платформы.
+
+Долгосрочная цель — перейти от модели, которая генерирует отдельные фрагменты BSL, к специализированной инженерной модели, способной помогать в **разработке прикладных решений на платформе 1С:Предприятие на уровне отдельных задач, взаимодействия объектов и архитектуры приложения**.
+
+### 3. Состав и тематическое покрытие
+
+Датасет охватывает следующие направления:
+
+| Направление | Содержание |
+|---|---|
+| BSL | Процедуры, функции, переменные, управляющие конструкции, обработка ошибок |
+| Язык запросов | SELECT, соединения, фильтрация, группировки, итоги, виртуальные таблицы |
+| Метаданные | Справочники, документы, регистры, перечисления, реквизиты |
+| Формы | Управляемые формы, элементы управления, обработчики событий, модули форм |
+| Клиент-сервер | Контекст выполнения, серверные вызовы, взаимодействие клиента и сервера |
+| Транзакции | Границы транзакций, блокировки, согласованность данных |
+| Структуры данных | Массивы, структуры, соответствия, таблицы значений, коллекции |
+| Интеграции | HTTP, JSON, XML, внешние сервисы |
+| Отладка | Анализ ошибок, выявление дефектов, исправление кода |
+| Рефакторинг | Переработка структуры кода, читаемость, сопровождаемость |
+| Оптимизация | Производительность запросов и BSL-кода |
+| Архитектура | Многообъектные решения, анализ требований, проектирование |
+
+Категории могут пересекаться. Например, задача по обработке проведения документа может одновременно затрагивать BSL, метаданные, транзакции и серверный контекст выполнения.
+
+### 4. Формат данных
+
+Датасет использует формат JSON Lines (`.jsonl`).
+
+Каждая запись содержит диалоговую структуру на основе массива `messages`.
+
+Пример:
+
+```json
+{
+  "messages": [
+    {
+      "role": "user",
+      "content": "Напиши функцию на BSL, которая возвращает общую сумму всех элементов таблицы значений."
+    },
+    {
+      "role": "assistant",
+      "content": "Функция РассчитатьОбщуюСумму(Товары)\n    ОбщаяСумма = 0;\n    Для Каждого Товар Из Товары Цикл\n        ОбщаяСумма = ОбщаяСумма + Товар.Сумма;\n    КонецЦикла;\n    Возврат ОбщаяСумма;\nКонецФункции"
+    }
+  ]
+}
+```
+
+Пример иллюстрирует структуру записи. Он не является подтверждением того, что каждая запись датасета прошла проверку на работающей платформе 1С.
+
+#### Схема записи
+
+| Поле | Тип | Описание |
+|---|---|---|
+| `messages` | Array | Массив сообщений диалога |
+| `messages[].role` | String | Роль сообщения, например `user` или `assistant` |
+| `messages[].content` | String | Текст задачи, исходный код или ответ |
+
+Формат предназначен для использования в конвейерах подготовки conversational SFT-датасетов.
+
+### 5. Источники и формирование данных
+
+Датасет объединяет несколько типов обучающих примеров.
+
+#### 5.1. Синтетические примеры на осно��е метаданных
+
+Примеры формируются с использованием информации о структуре метаданных 1С.
+
+Их задача — научить модель связывать естественно-языковые требования, объекты метаданных и платформенные механизмы реализации.
+
+#### 5.2. Алгоритмически сгенерированные примеры
+
+Примеры создаются с использованием контролируемых шаблонов и алгоритмических паттернов.
+
+Они позволяют расширять покрытие типовых конструкций BSL, запросов и распространённых задач программирования.
+
+#### 5.3. Примеры, извлечённые из реального кода
+
+Примеры формируются на основе существующего исходного кода 1С с последующим преобразованием в обучающие задания.
+
+Такие данные особенно важны для знакомства модели с реалистичными структурами программ, практическими паттернами и особенностями существующих реализаций.
+
+#### 5.4. Примеры исправления ошибок и инженерных задач
+
+В эту категорию входят задания по исправлению кода, поиску дефектов и улучшению существующих решений.
+
+Одно из направлений развития датасета — увеличение количества реалистичных инженерных сценариев в этой категории.
+
+**Важно:** синтетические, извлечённые и вручную проверенные примеры должны рассматриваться как отдельные категории происхождения данных при оценке качества датасета.
+
+### 6. Контроль качества и валидация
+
+Качество данных является одним из основных направлений развития проекта.
+
+Корректная JSONL-запись не обязательно содержит семантически правильный BSL-код или работоспособную реализацию на платформе 1С.
+
+Поэтому процесс контроля качества разделяется на несколько уровней:
+
+| Уровень проверки | Назначение |
+|---|---|
+| Структурная проверка | Корректность JSONL и структуры сообщений |
+| Поиск дубликатов | Обнаружение точных и близких по смыслу повторов |
+| Статический анализ кода | Поиск подозрительных конструкций и синтаксических паттернов BSL |
+| Семантическая проверка | Соответствие решения условиям задачи |
+| Проверка метаданных | Совместимость с используемыми объектами и реквизитами |
+| Платформенная проверка | Компиляция или выполнение средствами 1С, если доступны |
+| Регрессионная проверка | Контроль отсутствия новых дефектов после исправлений |
+| Проверка разбиения | Предотвращение утечки связанных примеров между выборками |
+
+Автоматизированные проверки по шаблонам полезны для обнаружения подозрительных записей, но сами по себе не доказывают корректность BSL-реализации.
+
+#### Известные ограничения
+
+- Не каждый сгенерированный пример BSL гарантированно прошёл компиляцию или выполнение на платформе 1С.
+- Синтетические примеры могут содержать шаблонные конструкции.
+- Для решения некоторых задач может потребоваться контекст метаданных, который не полностью представлен непосредственно в диалоговой записи.
+- Корректность запросов может зависеть от типов и структуры используемых метаданных.
+- Ка��ество и тематическое покрытие могут различаться между версиями датасета.
+
+Перед использованием датасета в производственных сценариях рекомендуется самостоятельно проверять обучающие примеры.
+
+### 7. Использование для обучения моделей
+
+Основной сценарий использования — Supervised Fine-Tuning специализированных языковых моделей.
+
+Рекомендуемый процесс подготовки:
+
+1. Загрузить датасет.
+2. Проверить структуру JSONL.
+3. Применить chat template базовой модели.
+4. Выполнить токенизацию диалогов.
+5. Замаскировать labels для сообщений, не принадлежащих `assistant`.
+6. Сохранить необходимые токены окончания диалога.
+7. Подготовить train, validation и test выборки.
+8. Выполнить предварительную проверку конвейера обучения на небольшом наборе данных.
+9. Оценить дообученную модель на независимом тестовом наборе.
+
+#### Целевая модель
+
+`Qwen/Qwen2.5-Coder-7B-Instruct`
+
+#### Метод обучения
+
+QLoRA с использованием Supervised Fine-Tuning.
+
+Сам датасет не гарантирует совместимость с конкретным фреймворком или конфигурацией обучения. Конвейер предварительной обработки необходимо адаптировать под токенизатор и chat template выбранной базовой модели.
+
+### 8. Рекомендуемая методика оценки
+
+Модель, обученную на этом датасете, не следует оценивать исключительно по значению loss или общему качеству генерации кода.
+
+Рекомендуется использовать следующие направления оценки:
+
+| Направление | Что оценивается |
+|---|---|
+| Генерация BSL | Корректность и полнота сгенерированного кода |
+| Генерация запросов | Структура запросов, соединения, фильтрация, агрегирование |
+| Понимание метаданных | Корректность использования объектов и реквизитов |
+| Отладка | Способность обнаруживать и исправлять дефекты |
+| Рефакторинг | Сохранение поведения и повышение качества кода |
+| Архитектура | Способность проектировать многообъектные решения |
+| Клиент-серверная логика | Корректность выбора контекста выполнения |
+| Платформенные ограничения | Соблюдение специфики разработки на 1С |
+| Рассуждения | Способность объяснять инженерные решения |
+
+По возможности оценка должна включать независимые тестовые задачи, проверки с учётом метаданных, а также компиляцию или выполнение кода на платформе 1С.
+
+### 9. Структура репозитория
+
+Рекомендуемая структура репозитория:
+
+```text
+ones_enterprise/
+│
+├── README.md
+├── LICENSE
+├── dataset_info.json
+│
+├── data/
+│   ├── ones_enterprise_final_v9.jsonl
+│   ├── train.jsonl
+│   ├── validation.jsonl
+│   └── test.jsonl
+│
+├── metadata/
+│   └── ...
+│
+├── reports/
+│   ├── dataset_statistics.json
+│   ├── quality_report.md
+│   └── validation_report.md
+│
+└── scripts/
+    ├── validate_jsonl.py
+    ├── analyze_dataset.py
+    └── prepare_sft.py
+```
+
+Фактическая структура и имена файлов могут отличаться в зависимости от опубликованной версии. Наличие файлов следует проверять непосредственно в репозитории.
+
+### 10. Загрузка датасета
+
+Для загрузки локального JSONL-файла можно использовать библиотеку `datasets`:
+
+```python
+from datasets import load_dataset
+
+dataset = load_dataset(
+    "json",
+    data_files="data/ones_enterprise_final_v9.jsonl",
+    split="train"
+)
+
+print(dataset)
+print(dataset[0])
+```
+
+Если датасет опубликован на Hugging Face, его можно загружать по идентификатору репозитория:
+
+```python
+from datasets import load_dataset
+
+dataset = load_dataset(
+    "YOUR_HF_USERNAME/ones_enterprise"
+)
+
+print(dataset)
+```
+
+Второй пример предполагает, что структура опубликованного репозитория настроена для совместимой загрузки через `datasets`.
+
+### 11. Для кого предназначен датасет
+
+Датасет может быть полезен:
+
+- Исследователям, работающим над специализированными языковыми моделями.
+- Разработчикам на платформе 1С:Предприятие.
+- Функциональным и техническим архитекторам 1С.
+- Инженерам, экспериментирующим с fine-tuning моделей для генерации кода.
+- Командам, разрабатывающим AI-ассистентов для корпоративных систем.
+- Исследователям локальных и специализированных coding agents.
+
+### 12. Лицензия и условия использования
+
+**Лицензия датасета: требует определения.**
+
+Лицензия должна быть выбрана с учётом условий использования и распространения всех исходных материалов, вошедших в датасет.
+
+Перед распространением или коммерческим использованием необходимо проверить права на исходный код, метаданные и другие включённые материалы.
+
+Лицензия базовой модели не распространяется автоматически на датасет.
+
+### 13. Отказ от ответственности
+
+`ones_enterprise` — независимый исследовательский датасет, посвящённый разработке на платформе 1С:Предприятие.
+
+Проект не является официальным продуктом 1С, не связан с компанией «1С» и не одобрен ею.
+
+Датасет не заменяет официальную документацию платформы и профессиональное ревью кода.
+
+Сгенерированный код должен быть проверен и протестирован в целевой среде 1С перед использованием в критически важных бизнес-системах.
+
+### 14. Дорожная карта развития
+
+Датасет развивается итеративно, с последовательным улучшением качества и тематического покрытия.
+
+Основные направления развития:
+
+- Повышение семантической корректности BSL-примеров.
+- Увеличение доли практических задач прикладной разработки.
+- Расширение набора примеров по отладке и рефакторингу.
+- Добавление сценариев реализации с использованием нескольких объектов метаданных.
+- Улучшение проверки с учётом структуры метаданных.
+- Увеличение количества сложных инженерных задач.
+- Сокращение шаблонных и семантически дублирующихся примеров.
+- Улучшение изоляции train/validation/test выборок.
+- Формирование воспроизводимых benchmark-тестов для оценки дообученных моделей.
+
+Каждая новая версия датасета должна сохранять информацию о происхождении данных и сопровождаться воспроизводимыми отчётами о качестве.
+
+---
+
+### Цитирование
+
+Если вы используете датасет в исследовательских или инженерных проектах, можно сослаться на репозиторий следующим образом:
+
+```bibtex
+@misc{ones_enterprise_dataset,
+  title        = {Датасет разработки на платформе 1С:Предприятие},
+  author       = {Участники проекта},
+  year         = {2026},
+  howpublished = {Hugging Face},
+  note         = {Датасет для обучения специализированных языковых моделей разработке на платформе 1С:Предприятие}
+}
+```
+
+Перед публикацией замените поле `author` на фактическое имя автора или организации.
+
+---
+
+**Проект:** `ones_enterprise`  
+**Платформа:** 1С:Предприятие  
+**Основной язык разработки:** BSL  
+**Основная задача:** специализированное SFT / QLoRA  
+**Целевая базовая модель:** Qwen2.5-Coder-7B-Instruct  
+**Статус:** исследовательская разработка
+
+# ENGLISH DESCRIPTION
+## 1C Enterprise Development Dataset
+
+**A specialized dataset for training and evaluating language models on 1C:Enterprise development.**
+
+`ones_enterprise` is a curated dataset designed to improve the ability of code-oriented language models to understand, generate, analyze, debug, and architect software solutions for the **1C:Enterprise platform**.
+
+The dataset targets practical software engineering tasks rather than code completion alone. It covers the platform's development language, query language, metadata model, application architecture, and common implementation patterns.
+
+The initial target model for supervised fine-tuning is:
+
+- **Training approach:** Supervised Fine-Tuning (SFT)
+- **Fine-tuning method:** QLoRA
+
+> **Dataset status:** Research and development. Dataset quality, semantic correctness, and platform-level compatibility are subject to ongoing validation. This dataset should not be considered a fully validated production training corpus.
+
+---
+
+### 1. Motivation
+
+Developing for 1C:Enterprise requires more than general programming knowledge.
+
+A capable 1C development assistant must understand:
+
+- The Business Application Language (BSL).
+- The 1C metadata model and relationships between metadata objects.
+- Documents, catalogs, registers, enumerations, and information structures.
+- The 1C query language and virtual tables.
+- Managed forms and event handlers.
+- Client-server execution contexts.
+- Transactions, locks, and data consistency.
+- Integration mechanisms and external interfaces.
+- Performance considerations and platform-specific development patterns.
+
+General-purpose code models may know programming concepts but often lack sufficient platform-specific knowledge to solve real 1C development tasks reliably.
+
+`ones_enterprise` aims to bridge this gap by providing examples that connect natural-language requirements with 1C-specific implementation knowledge.
+
+### 2. Goals
+
+The dataset is intended to support the development of a specialized 1C engineering model capable of:
+
+1. Generating BSL procedures and functions.
+2. Writing and optimizing 1C queries.
+3. Understanding metadata structures and dependencies.
+4. Implementing business logic across multiple metadata objects.
+5. Developing managed forms and event handlers.
+6. Working with client-server execution contexts.
+7. Implementing transactions and safe data operations.
+8. Debugging existing BSL code.
+9. Refactoring and improving existing implementations.
+10. Designing solutions from functional requirements.
+11. Understanding integrations and data exchange.
+12. Explaining implementation decisions and platform-specific constraints.
+
+The long-term objective is to move from a model that merely generates BSL fragments to a model that can assist with **end-to-end 1C application development and solution architecture**.
+
+### 3. Dataset Coverage
+
+The dataset covers the following areas.
+
+| Domain | Description |
+|---|---|
+| BSL | Procedures, functions, variables, control flow, error handling |
+| Query Language | SELECT, joins, filters, grouping, totals, virtual tables |
+| Metadata | Catalogs, documents, registers, enumerations, attributes |
+| Forms | Managed forms, controls, event handlers, form modules |
+| Client-Server | Execution context, server calls, client-server interaction |
+| Transactions | Transaction boundaries, locks, consistency |
+| Data Structures | Arrays, structures, maps, value tables, collections |
+| Integrations | HTTP, JSON, XML, external services |
+| Debugging | Error analysis, defect identification, corrections |
+| Refactoring | Code restructuring, readability, maintainability |
+| Optimization | Query and BSL performance |
+| Architecture | Multi-object solutions, requirements analysis, design decisions |
+
+Categories may overlap. For example, a task involving a document posting handler may also involve BSL, metadata, transactions, and server-side execution.
+
+### 4. Dataset Format
+
+The dataset uses JSON Lines (`.jsonl`) format.
+
+Each record follows a conversational structure based on a `messages` array.
+
+Example:
+
+```json
+{
+  "messages": [
+    {
+      "role": "user",
+      "content": "Write a BSL function that returns the total amount of all items in a value table."
+    },
+    {
+      "role": "assistant",
+      "content": "Function CalculateTotal(Items)\n    Total = 0;\n    For Each Item In Items Do\n        Total = Total + Item.Amount;\n    EndDo;\n    Return Total;\nEndFunction"
+    }
+  ]
+}
+```
+
+The example above illustrates the record structure only. It is not a claim that every record has been independently validated against a running 1C platform.
+
+#### Schema
+
+| Field | Type | Description |
+|---|---|---|
+| `messages` | Array | Conversational messages |
+| `messages[].role` | String | Message role, such as `user` or `assistant` |
+| `messages[].content` | String | Natural-language task, source code, or response |
+
+The format is intended to be compatible with conversational SFT preprocessing pipelines.
+
+### 5. Data Sources and Construction
+
+The dataset combines multiple types of training examples.
+
+#### 5.1 Metadata-based synthetic examples
+
+Examples generated using information about 1C metadata structures.
+
+These examples are intended to teach relationships between natural-language requirements, metadata objects, and platform-specific implementation patterns.
+
+#### 5.2 Algorithmically generated examples
+
+Examples generated from controlled templates and algorithmic patterns.
+
+They help expand coverage of common BSL constructs, query patterns, and programming tasks.
+
+#### 5.3 Real-code-derived examples
+
+Examples extracted from existing 1C source code and transformed into training tasks.
+
+These examples are particularly valuable for exposing the model to realistic implementation patterns and code structures.
+
+#### 5.4 Bug-fix and engineering examples
+
+Examples involving code correction, debugging, and implementation improvements.
+
+The dataset is intended to expand this category with more realistic engineering scenarios.
+
+**Important:** Synthetic, extracted, and manually reviewed examples should be treated as distinct provenance categories during quality assessment.
+
+### 6. Data Quality and Validation
+
+Dataset quality is a central part of this project.
+
+A syntactically valid JSONL record does not necessarily contain semantically correct BSL code or a valid 1C implementation.
+
+The quality process therefore distinguishes several validation levels:
+
+| Validation level | Purpose |
+|---|---|
+| Structural validation | JSONL integrity and message schema |
+| Duplicate detection | Exact and near-duplicate detection |
+| Static code analysis | Suspicious BSL constructs and syntax patterns |
+| Semantic validation | Consistency between task requirements and generated solution |
+| Metadata validation | Compatibility with referenced metadata objects |
+| Platform validation | Compilation or execution using 1C tooling, where available |
+| Regression validation | Ensuring corrections do not introduce new defects |
+| Split validation | Preventing related examples from leaking across dataset splits |
+
+Automated pattern checks are useful for identifying suspicious records, but they cannot independently prove that a BSL implementation is correct.
+
+#### Known limitations
+
+- Not every generated BSL example is guaranteed to have been compiled or executed by the 1C platform.
+- Synthetic examples may contain template-driven patterns.
+- Some tasks may require metadata context that is not fully represented in the conversational record.
+- Query correctness can depend on the types and structure of the underlying metadata.
+- Dataset quality and coverage may vary between versions.
+
+Users should independently validate examples before using the dataset in production training workflows.
+
+### 7. Intended Training Use
+
+The primary use case is supervised fine-tuning of code-oriented language models.
+
+Recommended workflow:
+
+1. Load the dataset.
+2. Validate the JSONL structure.
+3. Apply the base model's conversational chat template.
+4. Tokenize the conversations.
+5. Mask labels for non-assistant messages.
+6. Preserve the appropriate end-of-turn tokens.
+7. Create train, validation, and test splits.
+8. Run a small preprocessing and training smoke test.
+9. Evaluate the fine-tuned model against a held-out benchmark.
+
+#### Target model
+
+`Qwen/Qwen2.5-Coder-7B-Instruct`
+
+#### Training method
+
+QLoRA with supervised fine-tuning.
+
+The dataset itself does not include a guarantee of compatibility with a particular training framework or configuration. The preprocessing pipeline must be adapted to the tokenizer and chat template of the selected base model.
+
+### 8. Recommended Evaluation
+
+A model trained on this dataset should not be evaluated exclusively by measuring loss or generic code-generation performance.
+
+Recommended evaluation dimensions:
+
+| Evaluation area | What to measure |
+|---|---|
+| BSL generation | Correctness and completeness of generated code |
+| Query generation | Query structure, joins, filters, aggregation |
+| Metadata understanding | Correct use of metadata objects and attributes |
+| Debugging | Ability to identify and correct defects |
+| Refactoring | Preservation of behavior and code quality |
+| Architecture | Ability to design multi-object solutions |
+| Client-server logic | Correct execution context |
+| Platform constraints | Compliance with 1C-specific development rules |
+| Reasoning | Ability to explain implementation decisions |
+
+Where possible, evaluation should include independent test cases, metadata-aware checks, and platform-level compilation or execution.
+
+### 9. Repository Structure
+
+The recommended repository layout is:
+
+```text
+ones_enterprise/
+│
+├── README.md
+├── LICENSE
+├── dataset_info.json
+│
+├── data/
+│   ├── ones_enterprise_final_v9.jsonl
+│   ├── train.jsonl
+│   ├── validation.jsonl
+│   └── test.jsonl
+│
+├── metadata/
+│   └── ...
+│
+├── reports/
+│   ├── dataset_statistics.json
+│   ├── quality_report.md
+│   └── validation_report.md
+│
+└── scripts/
+    ├── validate_jsonl.py
+    ├── analyze_dataset.py
+    └── prepare_sft.py
+```
+
+The actual repository layout and filenames may differ by release. Only files included in the published repository should be treated as available artifacts.
+
+### 10. Loading the Dataset
+
+The dataset can be loaded directly from Hugging Face using the `datasets` library.
+
+```python
+from datasets import load_dataset
+
+dataset = load_dataset(
+    "json",
+    data_files="data/ones_enterprise_final_v9.jsonl",
+    split="train"
+)
+
+print(dataset)
+print(dataset[0])
+```
+
+If the dataset is published as a Hugging Face dataset repository, replace the local file path with the repository identifier and the appropriate data-file configuration.
+
+Example:
+
+```python
+from datasets import load_dataset
+
+dataset = load_dataset(
+    "YOUR_HF_USERNAME/ones_enterprise"
+)
+
+print(dataset)
+```
+
+The second example assumes that the repository has been configured with a compatible dataset loading layout.
+
+### 11. Intended Audience
+
+This dataset may be useful for:
+
+- Researchers working on domain-specific language models.
+- 1C:Enterprise developers.
+- 1C solution architects.
+- Engineers experimenting with code-model fine-tuning.
+- Developers building AI assistants for enterprise software.
+- Teams researching local and specialized coding agents.
+
+### 12. License and Usage
+
+**Dataset license: to be specified.**
+
+The dataset's license must be determined based on the licensing terms and redistribution permissions of its underlying sources.
+
+Users are responsible for checking the rights associated with source code, metadata, and other included materials before redistribution or commercial use.
+
+Do not assume that the base model's license also applies to this dataset.
+
+### 13. Disclaimer
+
+This is an independent research dataset focused on 1C:Enterprise development.
+
+It is not an official 1C product, is not affiliated with or endorsed by 1C Company, and does not replace official platform documentation or professional code review.
+
+Generated code must be reviewed and tested in the target 1C environment before use in business-critical systems.
+
+### 14. Project Roadmap
+
+The project is expected to evolve through iterative dataset engineering.
+
+Planned directions include:
+
+- Improving BSL semantic correctness.
+- Increasing the share of practical application-development tasks.
+- Expanding debugging and refactoring examples.
+- Adding multi-object implementation scenarios.
+- Improving metadata-aware validation.
+- Increasing the number of high-complexity engineering tasks.
+- Reducing template-driven and near-duplicate examples.
+- Improving train/validation/test split isolation.
+- Establishing repeatable evaluation benchmarks for fine-tuned models.
+
+Dataset versions should preserve provenance and provide reproducible quality reports.
+
+---
+
+### Citation
+
+If you use this dataset in research or development, please cite the repository:
+
+```bibtex
+@misc{ones_enterprise_dataset,
+  title        = {1C Enterprise Development Dataset},
+  author       = {Dataset Contributors},
+  year         = {2026},
+  howpublished = {Hugging Face},
+  note         = {A dataset for domain-specific language model training on 1C:Enterprise development}
+}
+```
+
+Please replace the author field with the actual contributor or organization information before publication.
+
+---
+
+**Project:** `ones_enterprise`  
+**Platform:** 1C:Enterprise  
+**Primary language:** BSL  
+**Primary training objective:** Domain-specific SFT / QLoRA  
+**Base model target:** Qwen2.5-Coder-7B-Instruct  
+**Status:** Research and development